一种能源数据预测模型的训练方法、预测方法及装置与流程

1.本发明涉及数据处理领域，更具体地说，涉及一种能源数据预测模型的训练方法、预测方法及装置。


背景技术：

2.在过去的几十年里，研究人员一直在研究如何设计一个对电网和消费者都有利的综合能源管理模型。随着时间的推移，能源管理技术和优化算法被纳入电子管理系统，以提供可靠、清洁和负担得起的能源。电力系统全球能源需求和供应优化算法的使用，以满足经济负荷调度、系统稳定性和服务质量。
3.然而，如果系统规格发生变化，例如由于可再生能源和可变消费者需求导致的可变能源供应，那么优化问题需要重新制定以适应新的变化。因此，优化的算法并不适合所有的参数变化，并且难以实时部署和测试。并且现有能源管理系统并未考虑可再生能源的随机性，会导致预测出的能源需求数据和能源供应数据存在较大误差，使得预测出的能源需求数据和能源供应数据与实际消费者能源需求和消费者能源供应存在较大出入。


技术实现要素：

4.本技术实施例提供了一种能源数据预测模型的训练方法、能源数据的预测方法及装置，能够提高预测出的能源需求数据和能源供应数据的准确性。
5.为了实现上述目的，本技术实施例提供如下技术方案：
6.一种能源数据预测模型的训练方法，包括：
7.从智能电网中获取待训练基础数据；
8.将所述待训练基础数据输入优化模型，得到待训练优化数据，其中，所述优化模型包括消费者剩余能源优化模型、消费者能源成本优化模型和总能量成本模型；所述待训练优化数据包括消费者剩余能源数据、消费者能源成本数据、总能量成本数据；
9.根据所述待训练基础数据和所述待训练优化数据，基于高斯过程回归模型对能源数据预测模型进行训练。
10.优选的，所述待训练基础数据包括：e
res,max
、e
d,max
，所述消费者剩余能源优化模型包括：
[0011][0012]
subject to:
[0013][0014][0015]
其中，表示第h小时的可再生能源产生的消耗性能源，e
res,max
表示可再生能源
产生的最大消耗性能源，表示第h小时的消耗性能源需求，e
d,max
表示最大消耗性能源需求，而表示第h小时的消费者剩余能源数据。
[0016]
优选的，所述待训练基础数据包括：ph、e
res,max
、e
d,max
，所述消费者能源优化成本模型包括：
[0017][0018]
subject to:
[0019][0020][0021]
其中，ph表示第h小时智能电网提供的消费者能源进口率，表示第h小时的可再生能源产生的消耗性能源，e
res,max
表示可再生能源产生的最大消耗性能源，表示第h小时的消耗性能源需求，e
d,max
表示最大消耗性能源需求，表示第h小时的消费者能源成本数据。
[0022]
优选的，所述待训练基础数据包括：ph、e
res,max
、e
d,max
，所述总能量成本模型包括：
[0023][0024]
subject to:
[0025][0026]
其中，是智能电网提供的名义价格，是从公用事业部门进口的消费者能源，ph表示第h小时智能电网提供的消费者能源进口率，e
res,max
表示可再生能源产生的最大消耗性能源，e
d,max
表示最大消耗性能源需求，表示第h小时的消费者剩余能源数据，gr表示总能量成本。
[0027]
优选的，所述高斯过程回归模型包括：
[0028]
y＝h(x)
t
β f(x),f(x)～gp(0,k(x,x)')
[0029]
其中，x表示待训练基础数据，y表示待训练优化数据，潜函数f(x)表示待训练基础数据基于协方差k(x,x)'的高斯过程，h(x)
t
表示待训练基础数据的显式基函数，β表示待训练基础数据的系数，gp表示高斯过程，k(x,x)'表示高斯过程中的核函数。
[0030]
一种能源数据预测的方法，包括：
[0031]
获取智能电网中的待预测基础数据；
[0032]
基于所述待预测基础数据，通过能源数据预测管理模型获取所述待预测基础数据对应的预测结果，所述预测结果包括消费者剩余能源数据、消费者能源成本数据、总能量成本数据，所述能源数据预测管理模型为采用上述能源数据预测模型的训练方法训练得到
的。
[0033]
一种能源数据预测模型的训练装置，包括：
[0034]
获取模块，用于从智能电网中获取待训练基础数据；
[0035]
所述获取模块，还用于将所述待训练基础数据输入优化模型，得到待训练优化数据，其中，所述优化模型包括消费者剩余能源优化模型、消费者能源成本优化模型和总能量成本模型；所述待训练优化数据包括消费者剩余能源数据、消费者能源成本数据、总能量成本数据；
[0036]
训练模块，用于根据所述待训练基础数据和所述待训练优化数据，基于高斯过程回归模型对能源数据预测模型进行训练。
[0037]
一种能源数据预测装置，包括：
[0038]
获取模块，用于获取智能电网中的待预测基础数据；
[0039]
预测模块，用于基于所述待预测基础数据，通过能源数据预测管理模型获取所述待预测基础数据对应的优化数据，所述优化数据包括消费者剩余能源数据、消费者能源成本数据、总能量成本数据，所述能源数据预测管理模型为采用上述能源数据预测模型的训练方法训练得到的。
[0040]
一种计算机设备，包括：存储器、收发器、处理器以及总线系统；
[0041]
其中，所述存储器用于存储程序；
[0042]
所述处理器用于执行所述存储器中的程序，以实现上述所述的各种方法；
[0043]
所述总线系统用于连接所述存储器以及所述处理器，以使所述存储器以及所述处理器进行通信。
[0044]
一种计算机可读存储介质，存储有指令，当其在计算机上运行时，使得计算机执行如上述所述的各种方法。
[0045]
本技术实施例提供了一种能源数据预测模型的训练方法，包括：从智能电网中获取待训练基础数据；将所述待训练基础数据输入优化模型，得到待训练优化数据，其中，所述优化模型包括消费者剩余能源优化模型、消费者能源成本优化模型和总能量成本模型；所述待训练优化数据包括消费者剩余能源数据、消费者能源成本数据、总能量成本数据；根据所述待训练基础数据和所述待训练优化数据，基于高斯过程回归模型对能源数据预测模型进行训练。通过上述方式，将消费者剩余能源数据、消费者能源成本数据、总能量成本数据作为训练数据，结合高斯过程回归模型对能源数据预测模型进行训练，考虑了可再生能源的随机性，从而提高了预测出的能源需求数据和能源供应数据的准确性。
附图说明
[0046]
为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0047]
图1为本技术实施例中的能源数据预测模型的训练方法的一个实施例示意图；
[0048]
图2为本技术实施例中的能源数据预测方法的一个实施例示意图；
[0049]
图3为本技术实施例中的能源数据预测模型的训练装置的一个实施例示意图；
[0050]
图4为本技术实施例中的能源数据预测装置的一个实施例示意图。
具体实施方式
[0051]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0052]
请参阅图1，如图所示，本技术实施例中能源数据预测模型的训练方法包括：
[0053]
101、从智能电网中获取待训练基础数据；
[0054]
本实施例中，可以从智能电网中获取待训练基础数据，其中待训练基础数据可以包括消费者可用能源、能源负荷以及能源定价等。
[0055]
可以理解的是，智能电网就是电网的智能化，是建立在集成的、高速双向通信网络的基础上，通过先进的传感和测量技术、先进的设备技术、先进的控制方法以及先进的决策支持系统技术的应用，实现电网的可靠、安全、经济、高效、环境友好和使用安全的目标。智能电网的主要特征包括自愈、激励和保护用户、抵御攻击、提供满足用户需求的电能质量、容许各种不同发电形式的接入、启动电力市场以及资产的优化高效运行，所以在智能电网中包含有训练能源数据预测模型所需的待训练基础数据。
[0056]
102、将所述待训练基础数据输入优化模型，得到待训练优化数据，其中，所述优化模型包括消费者剩余能源优化模型、消费者能源成本优化模型和总能量成本模型；所述待训练优化数据包括消费者剩余能源数据、消费者能源成本数据、总能量成本数据；
[0057]
本实施例中，将待训练基础数据中与消费者剩余能源优化模型相关的数据输入到消费者剩余能源优化模型中，可以获得消费者剩余能源数据；将待训练基础数据中与消费者能源成本优化模型相关的数据输入到消费者能源成本优化模型中，可以获得消费者能源成本数据；将待训练基础数据中与总能量成本模型相关的数据以及消费者剩余能源数据输入到总能量成本模型中，可以获得总能量成本数据。
[0058]
为了便于理解，对上述内容进行如下解释：
[0059]
(1)消费者剩余能源(prosumer energy surplus，pes)优化模型
[0060]
大多数消费者利用可再生能源发电。在满足消费者的能源需求后，额外的可用能源被称为pes。基于消费者的智能电网通过服务水平协议实现消费者和电力公司之间的双向能源交易。因此，双向能源交易有助于消费者以名义价格出售生态系统服务价格。pes的优化模型如下:
[0061][0062]
subject to:
[0063][0064][0065]
其中，表示可再生能源产生的消耗性能源，如第h小时的风能或光伏阵列，eres,max
表示可再生能源产生的最大消耗性能源，表示第h小时的消耗性能源需求，e
d,max
表示最大消耗性能源需求，而表示第h小时的pes。基本参数的随机性导致多个电能需求范围，定义如下：
[0066][0067]
其中，和分别表示第h小时的最大、平均和最小pes，和分别表示第h小时的最大、平均和最小消耗性能源需求，和分别表示第h小时的可再生能源产生最大、平均和最小消耗性能源。
[0068]
(2)消费者能源成本(prosumer energy cost，pec)优化模型
[0069]
随机可再生能源和消费者的能源需求可能会导致消费者的能源生产少于消费者的能源需求。每隔一段时间，消费者从公用事业部门进口能源以克服能源短缺的问题。消费者支付从公共事业部门进口的全部能源的成本，称为pec。pec的优化模型表示为：
[0070][0071]
subject to:
[0072][0073][0074]
其中，ph表示第h小时智能电网提供的消费者能源进口率，表示第h小时的pec。基本参数的随机性导致pec的多种范围，例如最小、平均和最大pec定义为：
[0075][0076]
其中，和分别表示第h小时最大、平均和最小的pec。
[0077]
(3)总能量成本(grid revenue，gr)优化模型
[0078]
在基于消费者的智能电网(而不是传统的电力系统)的基础上，消费者从pes和pec方面受益，而gr的产生则有所增加。gr的优化模型表示为：
[0079][0080]
subject to:
[0081][0082]
其中，是智能电网提供的名义价格，是从公用事业部门进口的消费者能源。基本参数的随机性导致gr的多个范围，例如最小，均值和最大gr定义为：
[0083][0084]
其中，gr
max
、gr
mean
和gr
min
分别表示最大、平均和最小的gr。
[0085]
需要特别说明的是，上述公式(5)，(10)和(14)会导致结果(pes，pec和gr)的范围不同，取值范围(从最小到最大)，具体取决于消费者能源需求和消费者能源产生
[0086]
103、根据所述待训练基础数据和所述待训练优化数据，基于高斯过程回归模型对能源数据预测模型进行训练。
[0087]
本实施例中，可以根据待训练基础数据和待训练优化数据，基于高斯过程回归模型对能源数据预测模型进行训练。具体地，将获得的待训练基础数据和待训练优化数据作为训练数据，输入至高斯过程回归模型中进行训练，从而获得能源数据预测模型。可以理解的是，通过待训练基础数据和待训练优化数据训练出的能源数据预测模型，可以用于根据智能电网中获取的基础数据，来预测出准确的消费者能源数据、消费者能源成本数据和总能量成本数据等。
[0088]
需要说明的是，机器学习是使软件应用程序能够通过从训练数据集中学习来预测因变量的未来响应的一项技术。给定的机器学习方法可对训练数据集的协变量和响应变量之间的相互关系进行建模。高斯过程回归是统计理论的一种方法，其中分布在多个时隙中的随机变量的有限集合遵循多元高斯分布。高斯过程回归模型的定义如下：
[0089]
y＝h(x)
t
β f(x),f(x)～gp(0,k(x,x)')
ꢀꢀ
(15)
[0090]
其中，x表示协变量(可再生能源、负荷、价格)，y表示输出(pes、pec、gr)，潜函数f(x)表示协变量(ph，)基于协方差k(x,x)'的高斯过程，h(x)
t
表示协变量的显式基函数(ph，)和β表示协变量的系数(ph，)，gp表示高斯过程，k(x,x)'表示高斯过程中的核函数。此处假设均值为零且分布相同的高斯过程回归。无协方差的参数被视为超参数。已知的超参数用作进行推断的基本假设。在任何时候，用于训练数据集的预测高斯过程回归模型的输出y定义为：
[0091]
p(yi|f(xi),xi)～n(yi|h(xi)
t
β f(xi),σ2)
ꢀꢀ
(16)
[0092]
其中σ是标准偏差，而σ2是输入协变量的方差。基于高斯过程回归模型的训练数据集，利用统计量和机器学习工具箱进行训练。将该模型的结果与传统的基于遗传算法和粒子群算法的能源数据预测模型优化结果进行了严格的对比，证明了该模型的有效性。
[0093]
本技术实施例中，提供了一种能源数据预测模型的训练方法，包括：从智能电网中获取待训练基础数据；将所述待训练基础数据输入优化模型，得到待训练优化数据，其中，所述优化模型包括消费者剩余能源优化模型、消费者能源成本优化模型和总能量成本模
型；所述待训练优化数据包括消费者剩余能源数据、消费者能源成本数据、总能量成本数据；根据所述待训练基础数据和所述待训练优化数据，基于高斯过程回归模型对能源数据预测模型进行训练。通过上述方式，将消费者剩余能源数据、消费者能源成本数据、总能量成本数据作为训练数据，结合高斯过程回归模型对能源数据预测模型进行训练，考虑了可再生能源的随机性，从而提高了预测出的能源需求数据和能源供应数据的准确性。
[0094]
结合上述介绍，下面将对本技术实施例中能源数据预测的方法进行介绍，请参阅图2，图2为本技术实施例中能源数据预测方法的一个实施例示意图，如图所示，本技术实施例中能源数据预测的方法包括：
[0095]
201、获取智能电网中的待预测基础数据；
[0096]
本实施例中，可以获取智能电网中的待预测基础数据，其中待预测基础数据可以包括消费者可用能源、能源负荷以及能源定价等。
[0097]
可以理解的是，智能电网就是电网的智能化，是建立在集成的、高速双向通信网络的基础上，通过先进的传感和测量技术、先进的设备技术、先进的控制方法以及先进的决策支持系统技术的应用，实现电网的可靠、安全、经济、高效、环境友好和使用安全的目标，其主要特征包括自愈、激励和保护用户、抵御攻击、提供满足用户需求的电能质量、容许各种不同发电形式的接入、启动电力市场以及资产的优化高效运行，所以在智能电网中包含有预测能源数据所需的待预测基础数据。
[0098]
202、基于所述待预测基础数据，通过能源数据预测管理模型获取所述待预测基础数据对应的预测结果，所述预测结果包括消费者剩余能源数据、消费者能源成本数据、总能量成本数据，所述能源数据预测管理模型为采用上述实施例提供的方案训练得到的。
[0099]
本实施例中，可以将待预测基础数据作为能源数据预测管理模型的输入，然后通过能源数据预测管理模型输出该待预测基础数据对应的预测结果，其中预测结果包括消费者剩余能源数据、消费者能源成本数据、总能量成本数据。
[0100]
具体地，通过能源预测管理模型获得对应的消费者剩余能源数据、消费者能源成本数据、总能量成本数据后，可以用于对消费者能源生产和消费者能源消费进行分析。
[0101]
本技术实施例中，提供了一种能源数据预测的方法，由于将消费者剩余能源数据、消费者能源成本数据、总能量成本数据作为训练数据，结合高斯过程回归模型对能源数据预测模型进行训练，考虑了可再生能源的随机性，从而提高了预测出的能源需求数据和能源供应数据的准确性。
[0102]
结合上述介绍，下面对本技术中的模型训练装置进行详细描述，请参阅图3，图3为本技术实施例中一种能源数据预测模型的训练装置的示意图，如图所示，该能源数据预测模型的训练装置30包括：
[0103]
获取模块301，用于从智能电网中获取待训练基础数据；
[0104]
获取模块301，还用于将所述待训练基础数据输入优化模型，得到待训练优化数据，其中，所述优化模型包括消费者剩余能源优化模型、消费者能源成本优化模型和总能量成本模型；所述待训练优化数据包括消费者剩余能源数据、消费者能源成本数据、总能量成本数据；
[0105]
训练模块302，用于根据所述待训练基础数据和所述待训练优化数据，基于高斯过程回归模型对能源数据预测模型进行训练。
[0106]
可选的，所述待训练基础数据包括：e
res,max
、e
d,max
，所述消费者剩余能源优化模型包括：
[0107][0108]
subject to:
[0109][0110][0111]
其中，表示第h小时的可再生能源产生的消耗性能源，e
res,max
表示可再生能源产生的最大消耗性能源，表示第h小时的消耗性能源需求，e
d,max
表示最大消耗性能源需求，而表示第h小时的消费者剩余能源数据。
[0112]
可选的，所述待训练基础数据包括：ph、e
res,max
、e
d,max
，所述消费者能源优化成本模型包括：
[0113][0114]
subject to:
[0115][0116][0117]
其中，ph表示第h小时智能电网提供的消费者能源进口率，表示第h小时的可再生能源产生的消耗性能源，e
res,max
表示可再生能源产生的最大消耗性能源，表示第h小时的消耗性能源需求，e
d,max
表示最大消耗性能源需求，表示第h小时的消费者能源成本数据。
[0118]
可选的，所述总能量成本模型包括：
[0119][0120]
subject to:
[0121][0122]
其中，是智能电网提供的名义价格，是从公用事业部门进口的消费者能源，ph表示第h小时智能电网提供的消费者能源进口率，e
res,max
表示可再生能源产生的最大消耗性能源，e
d,max
表示最大消耗性能源需求，表示第h小时的消费者剩余能源数据，gr表示总能量成本。
[0123]
可选的，所述高斯过程回归模型包括：
[0124]
y＝h(x)
t
β f(x),f(x)～gp(0,k(x,x)')
[0125]
其中，x表示待训练基础数据，y表示待训练优化数据，潜函数f(x)表示待训练基础数据基于协方差k(x,x)'的高斯过程，h(x)
t
表示待训练基础数据的显式基函数，β表示待训练基础数据的系数，gp表示高斯过程，k(x,x)'表示高斯过程中的核函数。
[0126]
结合上述介绍，下面对本技术中的能源数据预测装置进行详细描述，请参阅图4，图4为本技术实施例中一种能源数据预测装置的示意图，如图所示，该能源数据预测装置40包括：
[0127]
获取模块401，用于获取智能电网中的待预测基础数据；
[0128]
预测模块402，用于基于所述待预测基础数据，通过能源数据预测管理模型获取所述待预测基础数据对应的预测结果，所述预测结果包括消费者剩余能源数据、消费者能源成本数据、总能量成本数据，所述能源数据预测管理模型为采用上述实施例提供的方案训练得到的。
[0129]
本技术实施例还提供了一种计算机设备，包括：存储器、收发器、处理器以及总线系统；
[0130]
其中，所述存储器用于存储程序；
[0131]
所述处理器用于执行所述存储器中的程序，以实现上述所述的一种能源数据预测模型的训练方法或一种能源数据预测的方法；
[0132]
所述总线系统用于连接所述存储器以及所述处理器，以使所述存储器以及所述处理器进行通信。
[0133]
本技术实施例还提供了一种计算机可读存储介质，存储有指令，当其在计算机上运行时，使得计算机执行如上述所述的一种能源数据预测模型的训练方法或一种能源数据预测的方法。
[0134]
以上所述，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。